自動キーフレーズ抽出は、統計手法から大規模言語モデル（LLMs）とエンドツーエンドの音声処理へ移行しています。

ロシア語のスピーチデータで、音声特徴量（音素持続時間、基音周波数の範囲、スペクトルエネルギーなど）がキーフレーズの指標として調査されました。OpenSMILEライブラリとeGeMAPS v0.2を用いた解析では、音程の滑らかな低下、ポーズ、スペクトルエネルギーの変化がキーフレーズと関連していることが示されました。

しかし、ルシア語は形態素が豊富で、単語形が多数派で頻度が低くなるため、統計的手法は有効でありません。従来の頻度ベースの手法は重要なフレーズを見落とすことが多く、英語向けに設計されたアルゴリズムは他言語に適用する際に調整が必要です。

これらの結果は、キーフレーズ抽出の分野がテキストと音声の両方の情報を統合し、深層学習と音響解析を組み合わせる方向へ進んでいることを示しています。